Quando avaliar candidatos domina o custo da busca, dividir esse trabalho pode permitir experimentos maiores. O guia experimental EvoX de 23 de abril de 2025 explica o caminho introduzido em março: dividir a população entre processos e reunir a aptidão antes de atualizar o algoritmo.
Avaliações separadas, retorno comum à população.
Distribuir a avaliação e reunir o retorno
StdWorkflow recebe opções de execução distribuída. A população é dividida na dimensão dos candidatos segundo o rank dos processos. Cada processo avalia a sua parte; as aptidões são depois reunidas e concatenadas antes de regressarem à atualização do algoritmo. StdWorkflow
É avaliação distribuída em um fluxo coordenado, diferente de buscas independentes cujas respostas finais se comparam. Simulações ou funções objetivo custosas são aplicações plausíveis, desde que aceitem os lotes atribuídos e o ambiente esteja corretamente configurado.
A reprodutibilidade faz parte da configuração
O guia destaca a definição de sementes antes de operações Torch ou NumPy e descreve a inicialização com torch.distributed ou torchrun. A implementação isola o estado do gerador aleatório durante a avaliação. A inicialização coerente mantém estados de busca compatíveis ao avaliar candidatos diferentes. 2025-04-23
Medir a geração completa
Compare a referência de um processo com a execução distribuída usando o mesmo objetivo, semente e orçamento de população. Registre o tempo de uma geração completa, incluindo comunicação, e confira a ordem dos candidatos e da aptidão. O guia de início apresenta o fluxo antes de adicionar dispositivos.